给定一个单词列表和一个句子，找到整个句子或作​​为子字符串出现在句子中的所有单词

Question

问题

给定一个字符串列表，从列表中找到出现在给定文本中的字符串。

示例

list = ['red', 'hello', 'how are you', 'hey', 'deployed']
text = 'hello, This is shared right? how are you doing tonight'
result = ['red', 'how are you', 'hello']

'red' 因为它有 'shared' 有 'red' 作为子字符串

• 这与this question非常相似，只是我们需要查找的单词也可以是子串。
• 列表非常大，并且随着用户的增加而增加，而不是整个长度几乎相同的文本。
• 我正在考虑有一个解决方案，其中时间复杂度取决于文本的长度而不是单词列表，以便即使添加大量用户也可以扩展。

解决方案

• 我根据给定的单词列表构建一个 trie
• 运行 对文本进行 dfs 并对照 trie
检查当前单词

伪代码

def FindWord (trie, text, word_so_far, index):
    index > len(text)
        return
    //Check if the word_so_far is a prefix of a key; if not return
    if trie.has_subtrie(word) == false:
       return 
    //Check if the word_so_far is a key; if ye add to result and look further 
    if trie.has_key(word) == false:
        // Add to result and continue
    //extend the current word we are searching
    FindWord (trie, text, word_so_far + text[index], index + 1)
    //start new from the next index 
    FindWord (trie, text, "", index + 1)

这个问题是虽然运行时现在依赖于 len(text) 它在构建 trie 之后以时间复杂度 O(2^n) 运行，这对于多个文本来说是一次性的，所以它很好。

我没有看到任何重叠的子问题来记忆和改进运行时间。

你能建议我实现依赖于给定文本的运行时的任何方法，而不是可以按处理和缓存的单词列表，并且比这更快。

Answer 1

您尝试执行的操作的理论上合理的版本称为 Aho--Corasick。实现后缀链接有点复杂 IIRC，所以这里有一个只使用 trie 的算法。

我们一个字母一个字母地使用文本。在任何时候，我们都在可以遍历的 trie 中维护一组节点。最初这个集合只包含根节点。对于每个字母，我们遍历集合中的节点，如果可能的话通过新字母下降。如果结果节点匹配，很好，报告它。无论如何，把它放在下一组。下一组还包含根节点，因为我们可以随时开始新的匹配。

这是我在 Python 中的快速实施尝试（未经测试，无保证等）。

class Trie:
    def __init__(self):
        self.is_needle = False
        self._children = {}

    def find(self, text):
        node = self
        for c in text:
            node = node._children.get(c)
            if node is None:
                break
        return node

    def insert(self, needle):
        node = self
        for c in needle:
            node = node._children.setdefault(c, Trie())
        node.is_needle = True


def count_matches(needles, text):
    root = Trie()
    for needle in needles:
        root.insert(needle)
    nodes = [root]
    count = 0
    for c in text:
        next_nodes = [root]
        for node in nodes:
            next_node = node.find(c)
            if next_node is not None:
                count += next_node.is_needle
                next_nodes.append(next_node)
        nodes = next_nodes
    return count


print(
    count_matches(['red', 'hello', 'how are you', 'hey', 'deployed'],
                  'hello, This is shared right? how are you doing tonight'))

Answer 2

如果您的目标是根据文本 window 编写更快的代码，您可以使用集合查找来加快速度。如果可行，将查找列表更改为集合，然后在文本中找到所有可能的 windows 以用于查找。

def getAllWindows(L):
    tracker = set()
    for w in range(1, len(L)+1):
        for i in range(len(L)-w+1):
            sub_window = L[i:i+w]
            if sub_window not in tracker:
                tracker.add(sub_window)
                yield sub_window


lookup_list = ['red', 'hello', 'how are you', 'hey', 'deployed']
lookup_set = set(lookup_list)
text = 'hello, This is shared right? how are you doing tonight'
result = [sub_window for sub_window in getAllWindows(text) if sub_window in lookup_list]
print(result)
#Output:
['red', 'hello', 'how are you']

Answer 3

扩展@David Eisenstat 的建议以使用 aho-corasick 的算法实现这一点。我找到了一个简单的 python 模块 (pyahocorasic) 可以做到这一点。

下面是问题中给出的示例的代码。

import ahocorasick

def find_words(list_words, text):
    A = ahocorasick.Automaton()

    for key in list_words:
      A.add_word(key, key)

    A.make_automaton()

    result = []
    for end_index, original_value in A.iter(text):
      result.append(original_value)

    return result

list_words = ['red', 'hello', 'how are you', 'hey', 'deployed']
text = 'hello, This is shared right? how are you doing tonight'
print(find_words(list_words, text))

Or run it online